ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Machine Learning for Medical Image Reconstruction: Second International Workshop, MLMIR 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 17, 2019, Proceedings

دانلود کتاب یادگیری ماشینی برای بازسازی تصویر پزشکی: دومین کارگاه بین المللی، MLMIR 2019، برگزار شده در ارتباط با MICCAI 2019، شنژن، چین، 17 اکتبر 2019، مجموعه مقالات

Machine Learning for Medical Image Reconstruction: Second International Workshop, MLMIR 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 17, 2019, Proceedings

مشخصات کتاب

Machine Learning for Medical Image Reconstruction: Second International Workshop, MLMIR 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 17, 2019, Proceedings

ویرایش: 1st ed. 2019 
نویسندگان: , , ,   
سری: Lecture Notes in Computer Science 11905 
ISBN (شابک) : 9783030338428, 9783030338435 
ناشر: Springer International Publishing 
سال نشر: 2019 
تعداد صفحات: 273 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 51 مگابایت 

قیمت کتاب (تومان) : 30,000



کلمات کلیدی مربوط به کتاب یادگیری ماشینی برای بازسازی تصویر پزشکی: دومین کارگاه بین المللی، MLMIR 2019، برگزار شده در ارتباط با MICCAI 2019، شنژن، چین، 17 اکتبر 2019، مجموعه مقالات: علوم کامپیوتر، کامپیوتر و آموزش، نرم افزار کامپیوتر. در علوم اجتماعی و رفتاری، زیست شناسی محاسباتی/بیوانفورماتیک، پردازش تصویر و بینایی کامپیوتری، انفورماتیک سلامت



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 7


در صورت تبدیل فایل کتاب Machine Learning for Medical Image Reconstruction: Second International Workshop, MLMIR 2019, Held in Conjunction with MICCAI 2019, Shenzhen, China, October 17, 2019, Proceedings به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب یادگیری ماشینی برای بازسازی تصویر پزشکی: دومین کارگاه بین المللی، MLMIR 2019، برگزار شده در ارتباط با MICCAI 2019، شنژن، چین، 17 اکتبر 2019، مجموعه مقالات نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب یادگیری ماشینی برای بازسازی تصویر پزشکی: دومین کارگاه بین المللی، MLMIR 2019، برگزار شده در ارتباط با MICCAI 2019، شنژن، چین، 17 اکتبر 2019، مجموعه مقالات



این کتاب مجموعه مقالات داوری دومین کارگاه بین‌المللی در مورد یادگیری ماشین برای بازسازی پزشکی، MLMIR 2019 است که در ارتباط با MICCAI 2019، در شنژن، چین، در اکتبر 2019 برگزار شد.

24 مقاله کامل ارائه شده با دقت بررسی و از بین 32 مقاله ارسالی انتخاب شدند. مقالات در بخش‌های موضوعی زیر سازماندهی شده‌اند: یادگیری عمیق برای تصویربرداری رزونانس مغناطیسی. یادگیری عمیق برای توموگرافی کامپیوتری. و یادگیری عمیق برای بازسازی کلی تصویر.


توضیحاتی درمورد کتاب به خارجی

This book constitutes the refereed proceedings of the Second International Workshop on Machine Learning for Medical Reconstruction, MLMIR 2019, held in conjunction with MICCAI 2019, in Shenzhen, China, in October 2019.

The 24 full papers presented were carefully reviewed and selected from 32 submissions. The papers are organized in the following topical sections: deep learning for magnetic resonance imaging; deep learning for computed tomography; and deep learning for general image reconstruction.



فهرست مطالب

Front Matter ....Pages i-ix
Front Matter ....Pages 1-1
Recon-GLGAN: A Global-Local Context Based Generative Adversarial Network for MRI Reconstruction (Balamurali Murugesan, S. Vijaya Raghavan, Kaushik Sarveswaran, Keerthi Ram, Mohanasankar Sivaprakasam)....Pages 3-15
Self-supervised Recurrent Neural Network for 4D Abdominal and In-utero MR Imaging (Tong Zhang, Laurence H. Jackson, Alena Uus, James R. Clough, Lisa Story, Mary A. Rutherford et al.)....Pages 16-24
Fast Dynamic Perfusion and Angiography Reconstruction Using an End-to-End 3D Convolutional Neural Network (Sahar Yousefi, Lydiane Hirschler, Merlijn van der Plas, Mohamed S. Elmahdy, Hessam Sokooti, Matthias Van Osch et al.)....Pages 25-35
APIR-Net: Autocalibrated Parallel Imaging Reconstruction Using a Neural Network (Chaoping Zhang, Florian Dubost, Marleen de Bruijne, Stefan Klein, Dirk H. J. Poot)....Pages 36-46
Accelerated MRI Reconstruction with Dual-Domain Generative Adversarial Network (Guanhua Wang, Enhao Gong, Suchandrima Banerjee, John Pauly, Greg Zaharchuk)....Pages 47-57
Deep Learning for Low-Field to High-Field MR: Image Quality Transfer with Probabilistic Decimation Simulator (Hongxiang Lin, Matteo Figini, Ryutaro Tanno, Stefano B. Blumberg, Enrico Kaden, Godwin Ogbole et al.)....Pages 58-70
Joint Multi-anatomy Training of a Variational Network for Reconstruction of Accelerated Magnetic Resonance Image Acquisitions (Patricia M. Johnson, Matthew J. Muckley, Mary Bruno, Erich Kobler, Kerstin Hammernik, Thomas Pock et al.)....Pages 71-79
Modeling and Analysis Brain Development via Discriminative Dictionary Learning (Mingli Zhang, Yuhong Guo, Caiming Zhang, Jean-Baptiste Poline, Alan Evans)....Pages 80-88
Front Matter ....Pages 89-89
Virtual Thin Slice: 3D Conditional GAN-based Super-Resolution for CT Slice Interval (Akira Kudo, Yoshiro Kitamura, Yuanzhong Li, Satoshi Iizuka, Edgar Simo-Serra)....Pages 91-100
Data Consistent Artifact Reduction for Limited Angle Tomography with Deep Learning Prior (Yixing Huang, Alexander Preuhs, Günter Lauritsch, Michael Manhart, Xiaolin Huang, Andreas Maier)....Pages 101-112
Measuring CT Reconstruction Quality with Deep Convolutional Neural Networks (Mayank Patwari, Ralf Gutjahr, Rainer Raupach, Andreas Maier)....Pages 113-124
Deep Learning Based Metal Inpainting in the Projection Domain: Initial Results (Tristan M. Gottschalk, Björn W. Kreher, Holger Kunze, Andreas Maier)....Pages 125-136
Front Matter ....Pages 137-137
Flexible Conditional Image Generation of Missing Data with Learned Mental Maps (Benjamin Hou, Athanasios Vlontzos, Amir Alansary, Daniel Rueckert, Bernhard Kainz)....Pages 139-150
Spatiotemporal PET Reconstruction Using ML-EM with Learned Diffeomorphic Deformation (Ozan Öktem, Camille Pouchol, Olivier Verdier)....Pages 151-162
Stain Style Transfer Using Transitive Adversarial Networks (Shaojin Cai, Yuyang Xue, Qinquan Gao, Min Du, Gang Chen, Hejun Zhang et al.)....Pages 163-172
Blind Deconvolution Microscopy Using Cycle Consistent CNN with Explicit PSF Layer (Sungjun Lim, Jong Chul Ye)....Pages 173-180
Deep Learning Based Approach to Quantification of PET Tracer Uptake in Small Tumors (Laura Dal Toso, Elisabeth Pfaehler, Ronald Boellaard, Julia A. Schnabel, Paul K. Marsden)....Pages 181-192
Task-GAN: Improving Generative Adversarial Network for Image Reconstruction (Jiahong Ouyang, Guanhua Wang, Enhao Gong, Kevin Chen, John Pauly, Greg Zaharchuk)....Pages 193-204
Gamma Source Location Learning from Synthetic Multi-pinhole Collimator Data (Peter A. von Niederhäusern, Carlo Seppi, Simon Pezold, Guillaume Nicolas, Spyridon Gkoumas, Stephan K. Haerle et al.)....Pages 205-214
Neural Denoising of Ultra-low Dose Mammography (Michael Green, Miri Sklair-Levy, Nahum Kiryati, Eli Konen, Arnaldo Mayer)....Pages 215-225
Image Reconstruction in a Manifold of Image Patches: Application to Whole-Fetus Ultrasound Imaging (Alberto Gomez, Veronika Zimmer, Nicolas Toussaint, Robert Wright, James R. Clough, Bishesh Khanal et al.)....Pages 226-235
Image Super Resolution via Bilinear Pooling: Application to Confocal Endomicroscopy (Saeed Izadi, Darren Sutton, Ghassan Hamarneh)....Pages 236-244
TPSDicyc: Improved Deformation Invariant Cross-domain Medical Image Synthesis (Chengjia Wang, Giorgos Papanastasiou, Sotirios Tsaftaris, Guang Yang, Calum Gray, David Newby et al.)....Pages 245-254
PredictUS: A Method to Extend the Resolution-Precision Trade-Off in Quantitative Ultrasound Image Reconstruction (Farah Deeba, Robert Rohling)....Pages 255-264
Correction to: Gamma Source Location Learning from Synthetic Multi-pinhole Collimator Data (Peter A. von Niederhäusern, Carlo Seppi, Simon Pezold, Guillaume Nicolas, Spyridon Gkoumas, Stephan K. Haerle et al.)....Pages C1-C1
Back Matter ....Pages 265-266




نظرات کاربران